一种可解释的机器学习模型,用于根据息地分析预测cT1肺腺癌的内脏膜入侵,基于息地分析

科学领域:

• 放射学 放射学是指放射学
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 内脏膜入侵 (VPI) 对于早期肺腺癌的分期和治疗至关重要.
• 术前VPI评估具有挑战性,通常需要术后确认.
• 准确的VPI预测可以优化手术规划和患者管理.

研究的目的:

• 开发和验证可解释的机器学习模型,用于预测固体cT1肺结节中的VPI.
• 使用基于计算机断层扫描 (CT) 的息地分析进行非侵入性VPI评估.
• 加强手术前的外科规划和临床决策.

主要方法:

• 802名患有侵入性肺腺癌和固体肺结节 (≤3厘米) 的患者的回顾性分析.
• 基于CT的息地分析使用K-means集群来识别瘤异质性和放射性特征.
• 使用SHAP进行LightGBM模型开发以获得可解释性,在外部测试队列上进行验证.

主要成果:

• 在对VPI预测的外部测试队列中,P5模型实现了0.787的AUC.
• SHAP分析揭示了周周瘤特征在VPI预测中的重要性.
• 该模型有效地将患者分为高风险和低风险组 (P=0.042).

结论:

• 开发的可解释机器学习模型准确地预测cT1肺腺癌中的VPI.
• 这种基于CT的非侵入性方法有助于术前规划和改善临床决策.
• 该模型通过优化手术策略来提高患者的治疗结果.